Michael JohnsonAI에 개별 도면이 아니라 외장과 인쇄 회로 기판부터 펌웨어까지 기기 전체를 맡길 수 있을까? 2026년 11월 3일, OpenAI는 Astra 모델이 GPT‑6와 함께 Codex와 소통하는 기기를 설계하는 데 도움을 준 실험을 소개했다. 엔지니어에게 중요한 결론은 AI의 유용한 역할이 여러 설계 단계를 연결하고 반복 작업을 빠르게 하는 데 있다는 것이다. 디지털 모델에서 실제 제조로 넘어가려면 여전히 구조와 제조 세부 사항을 검토해야 한다.
소개된 프로젝트에서 시스템은 기능 요구 사항부터 시작했다. 이어 Astra는 외관과 외장, 내부 구조를 설계하고 전자 부품을 선정했으며, 부품 배치와 연결을 포함한 인쇄 회로 기판을 설계하고 인터페이스, 펌웨어, 소프트웨어 통합 요소를 준비했다. 이는 이미 서로 연결된 작업 흐름이다. 외장 치수를 바꾸면 기판 배치에 영향을 줄 수 있고, 부품과 연결 방식은 가능한 구조를 제한한다.
모델의 작업 방식에서 달라진 점
일반적인 이미지 생성기는 “이렇게 보일 수 있다”는 질문에 답한다. OpenAI가 설명한 방식은 여러 표현을 더 긴밀하게 연결하려 한다. 요구 사항, 기계적 형상, 전기 회로, 소프트웨어를 하나의 과제 안에서 다루는 것이다. 엔지니어에게 중요한 것은 이들 사이의 전환이다. 예를 들어 기판이 실제로 외장 안에 들어가고, 선택한 부품이 기기의 의도된 기능에 부합해야 한다.
OpenAI에 따르면 직원 두 명이 부수적인 프로젝트로 일주일도 안 돼 테스트 기기를 만들었고, 계약 제조업체는 한 달도 안 돼 소량의 프로토타입을 제작했다. 이 기간은 특정한 내부 실험과 소개된 프로토타입에 해당한다. 구상에서 실물 샘플까지 빠르게 진행할 수 있음을 보여주지만, 그 자체로 다른 기기나 팀의 설계 속도를 보편적으로 평가할 수는 없다.
이 사례가 유용한 이유는 AI가 단일 산출물만 준비한 것이 아니기 때문이다. 모델이 외장, 기판, 소프트웨어를 조율하도록 도우면, 엔지니어는 서로 다른 도구와 전문가 사이에서 결과물을 전달할 때 보통 드러나는 상호 의존성을 더 일찍 파악할 수 있다. 여러 분야를 한 사람이 조율하는 소규모 팀에서는 이런 연결성이 특히 중요하다.
디지털 설계가 아직 제조 준비를 마치지 못한 이유
모델은 화면상으로는 일관돼 보이지만 실제 제조 제약을 고려하지 않은 구조를 제안할 수 있다. OpenAI는 이번 실험에서 Astra가 제조업체의 제약, 공차, 조립에 필요한 세부 사항을 일관되게 반영하지 못했다고 별도로 밝혔다. 따라서 기기를 제조 가능한 상태로 만들려면 여러 차례 검토와 수정이 필요했다.
이 간극이 생기는 이유는 실무적인 데 있다. 디지털 설계는 형상과 부품의 상대적 위치를 정하지만, 제조에는 치수 허용 오차, 가공 방법, 조립 요건 같은 구체적인 조건이 추가된다. 외장 내부 공간이 너무 좁거나 부품 설치 방식이 고려되지 않았다면, 파일이 기술적으로 완성된 형태여도 해당 공정에서 제품을 만들기 어렵거나 불가능할 수 있다.
따라서 책임은 실무적으로 나뉜다. 모델은 여러 선택지를 준비하고 조율하는 데 도움을 주고, 전문가는 장비, 재료, 제조업체의 공정과 호환되는지 확인한다. 팀은 3D 모델이 보기 좋은지를 기준으로 결과를 평가하기보다, 작동 샘플을 만들기 전에 얼마나 많은 핵심 엔지니어링 검토와 수정이 남아 있는지 살펴봐야 한다.
이미 구체적으로 적용되는 분야
OpenAI의 사내 하드웨어 팀은 CAD 모델의 제작과 수정, 제조 도면 준비, 시뮬레이션 설정, 구조 분석에 Codex와 ChatGPT를 활용한다. 회사는 토큰으로 측정한 하드웨어 팀 내 모델 사용량이 2월 이후 23배 증가했다고 밝혔다. 이 수치는 해당 팀에서의 모델 사용량을 나타내며, 설계 기간이나 비용의 감소를 뜻하지는 않는다.
Chip Ganassi Racing과의 협업에서 팀은 기존 부품의 3D 스캔을 편집 가능한 CAD 모델과 제조 도면으로 변환하는 과정을 연구하고 있다. 기존 설계 파일이 없는 상황에서 유용한 접근이다. 스캔은 형상을 복원하기 위한 출발 자료가 되고, 파트너사의 엔지니어들이 도면의 정확성과 제조 적합성을 검토한다.
Mazda와의 공동 작업에서는 자동차 설계에 모델을 적용해 전면부 형상을 살펴보고 공기 흐름을 시뮬레이션하며 성능, 디자인, 비용을 고려해 여러 안을 비교한다. OpenAI는 이를 연구 협업으로 설명하며, 결과는 추후 공개할 계획이라고 밝혔다. 이 사례의 목적은 더 많은 형상 선택지를 검토하고 공기역학 시뮬레이션과 구조적 결정을 더 빠르게 연결하는 것이다. 현재 공개된 자료에는 완성차의 성능 개선을 측정한 결과가 담겨 있지 않다.
엔지니어링 팀에서 이런 시스템을 평가하는 방법
OpenAI는 프로그래밍과 엔지니어링 지식이 함께 필요한 과제에서 모델을 평가하는 방법 중 하나로 BenchCAD 2.0을 제시한다. 이 테스트는 3D 부품과 조립체의 재구성, 인쇄 회로 기판 연결부 인식을 평가한다. 이 평가에서 새로운 내부 모델의 평균 점수는 0.875였고, 최대 추론 모드의 GPT‑6 Astra는 0.594를 기록했다.
실무에서 이 결과는 형상 생성과 연결 관계 인식이라는 특정 과제에서의 진전을 나타내는 지표로 유용하다. 하지만 재료 선정, 열·기계 시험, 인증, 제조 가능성 확인이 포함되는 전체 개발 주기를 측정하지는 않는다. 따라서 팀은 자체적인 대표 과제로 모델을 검증하고, 어떤 출력 파일이 엔지니어링 도구에서 실제로 받아들여지는지, 어떤 파일은 여전히 수작업 수정이 필요한지 기록하는 것이 합리적이다.
실용적인 파일럿은 반복되는 단계 하나를 중심으로 구성할 수 있다. 예를 들어 부품 스캔을 CAD로 변환하거나, 도면을 준비하거나, 시뮬레이션의 초기 설정을 만드는 작업이다. 각 과제의 합격 기준을 미리 정하고, 형상과 제약 조건을 검토할 엔지니어를 지정하며, 제조업체에 넘기기 전 필요한 수정 사항을 기록해야 한다. 이를 통해 팀은 모델이 어디서 반복 업무를 줄이고, 어디서 추가 검토를 유발하는지 파악할 수 있다.
핵심 쟁점은 설계와 검증의 경계
OpenAI의 프로젝트는 AI를 텍스트, 코드, 단일 이미지에만 쓰는 것이 아니라 물리적 설계의 여러 연결 단계에 적용할 수 있음을 보여준다. 시스템이 기계 구조, 전자 장치, 소프트웨어 사이에서 요구 사항과 선택지를 빠르게 조율하도록 도울 때 가치가 생긴다. 하지만 제조 적합성은 별도의 엔지니어링 과제로 남는다. 공차, 조립, 특정 공정의 역량이 이를 좌우한다.
하드웨어 제품 개발자에게는 분명한 출발점이 있다. 범위가 좁고 검증 가능한 단계부터 평가하고, 생성된 모델의 수가 아니라 엔지니어링 승인을 받기 전까지 필요한 수작업 수정량을 측정하는 것이다. 이렇게 하면 선택지 생성 속도를 활용하면서도 디지털 설계가 실제 제품으로 바뀌는 단계에서 통제력을 유지할 수 있다.
